COLINGOct, 2020

利用多原型嵌入桥接文本和知识，进行少样本关系三元组提取

PDF
TL;DR本文提出了一种新的多原型嵌入网络模型，旨在共同提取关系三元组的组成，即实体对和相应的关系，通过设计一种混合的原型学习机制来连接文本和关于实体和关系的知识，从而注入实体和关系之间的隐式相关性，并提出原型感知正则化来学习更具代表性的原型，实验结果表明，该方法可以提高少样本三元组提取的性能。
relational triple extractionfew-shot learningmulti-prototype embedding networkprototypical learningregularization
发现论文，激发创造
  • 关系三元组提取的互相指导的少样本学习

    本文提出了一种基于 Mutual Guided Few-shot 学习框架的关系三元组抽取方法，该方法通过实体解码器和关系解码器相互指导，加上原型融合模块，能够在使用少量数据的情况下显著提高抽取准确度，在 FewRel 1.0 和 FewRel 2.0 数据集上表现优异。

    Jun, 2023

  • 优化大型语言模型的召回率：基于模型协作的关系三元组抽取方法

    本论文设计了一种评估过滤框架，将大型语言模型与小型模型整合在一起，用于处理关系三元组提取任务，以获得更准确的提取结果。评估模型能够高精度提取相关实体对，并通过简单的标注原则和深度神经网络对模型进行嵌入，将输出作为提示加入到大型模型的提取过程中。通过大量实验证明，该方法可以帮助大型语言模型从含有多个关系三元组的复杂句子中获得更准确的提取结果，同时也能够嵌入传统提取模型以提高其从复杂句子中的提取准确率。

    Apr, 2024

  • 一种简单而有效的关系信息引导的少样本关系抽取方法

    本文提出了一种新的直接加法方法来更加明确有效地将关系信息引入 Few-Shot 关系提取模型，该方法通过连接两种关系视图来生 成关系表示，并将其直接添加到原型中进行训练和预测，在 FewRel 1.0 基准数据集上实现了显著的改进，并且与最先进的结果相当。

    May, 2022

  • 基于查询的实例区分网络用于关系三元组抽取

    我们提出了一种基于查询的方法，用于构建关系三元组的实例级表示，然后通过对比学习，实现了关系三元组实例级表示的学习和全局信息连接，最终在五个广泛使用的基准测试中达到了最先进的水平。

    Nov, 2022

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022

  • 模板填充实现零样本三元组抽取

    本文提出一种新的框架 ZETT，基于预训练语言模型，并采用端到端生成式 Transformer 技术，将三元组抽取任务简化为模板填充任务从而具备了零 - shot 学习能力，并能利用语言模型中的隐含知识，实验表明该方法可以在不进行数据增强和流水线系统的情况下超过之前的最优模型，对实体的检测也更为稳健。

    Dec, 2022

  • 关系抽取的原型表示学习

    本文章提出一种利用关系原型从远程标注数据中学习关系表示的方法，并证明该方法在几种关系学习任务上比现有技术显著优越，本方法具有预测性，可解释性和鲁棒性。

    Mar, 2021

  • 处理知识图谱补全中的长尾关系和罕见实体

    该研究提出了一种基于元学习的框架，通过使用文本描述来处理罕见关系和少见实体，其中包括一个新颖的模型来更好地从文本描述中提取关键信息，并引入了新的生成模型来增强性能。实验结果表明，此框架处理罕见关系和少见实体时优于以往的方法。

    Sep, 2019

  • 基于预训练语言模型的上下文小样本关系抽取

    通过预训练的语言模型，我们提出了一种新颖的在上下文中进行少样本关系抽取的框架，该框架可以消除命名实体识别和人工注释文档的需要，并实现了与现有方法相比最先进的性能。

    Oct, 2023

  • 探索实体交互以进行小样本关系学习（学生摘要）

    本文介绍了一种基于序列化和 Transformer 结构的模型 TransAM，以捕捉三元组内部和跨三元组的实体交互，以解决 Few-shot 关系学习问题。在两个公共基准数据集 NELL-One 和 Wiki-One 上的实验表明了 TransAM 的有效性。

    May, 2022